Coherence analysis of EEG in locomotion using graphs / Análisis de coherencia de señales EEG en locomoción usando grafos

ABSTRACT

Abstract One of the most interesting brain machine interface (BMI) applications, is the control of assistive devices for rehabilitation of neuromotor pathologies. This means that assistive devices (prostheses, orthoses, or exoskeletons) are able to detect user motion intention, by the acquisition and interpretation of electroencephalographic (EEG) signals. Such interpretation is based on the time, frequency or space features of the EEG signals. For this reason, in this paper a coherence-based EEG study is proposed during locomotion that along with the graph theory allows to establish spatio-temporal parameters that are characteristic in this study. The results show that along with the temporal features of the signal it is possible to find spatial patterns in order to classify motion tasks of interest. In this manner, the connectivity analysis alongside graphs provides reliable information about the spatio-temporal characteristics of the neural activity, showing a dynamic pattern in the connectivity during locomotions tasks.

RESUMEN

Resumen Una de las aplicaciones de las interfaces cerebro máquina (BMI, por las siglas en Inglés de brain machine interface) que en la actualidad han tenido mucho interés es el control de dispositivos de asistencia en rehabilitación de patologías neuromotrices. Esto es, que los dispositivos (prótesis, órtesis o exoesqueletos) tengan la capacidad de ejecutar la intención de movimiento del usuario, a través de la interpretación de las señales electroencefalográficas (EEG). Dicha interpretación se basa en el conocimiento de características en diferentes dominios de la señal EEG i.e., el dominio del tiempo, de la frecuencia o del espacio. Por tal motivo, en este trabajo proponemos un estudio sobre la coherencia de las señales EEG durante actividades de locomoción que, por medio de la teoría de grafos, nos permita establecer parámetros espacio-temporales característicos de las actividades motrices propuestas. Los resultados muestran que, además de las características temporales de la señal, es posible encontrar patrones espaciales que ayuden a clasificar las tareas motrices de interés. Esto es, el análisis de conectividad complementado con sus grafos asociados proporciona información confiable sobre las características espacio-temporales de la actividad neural, reflejando la dinámica de sus ajustes en correspondencia con distintos niveles de conectividad durante la marcha.